The growth in demand for electricity in the world has intensified the alternative use of renewable energy sources such as solar energy. Solar panels are structures composed of photovoltaic cells, responsible for absorbing solar radiation and transforming it into electrical current. Photovoltaic Systems (PV system) performance analysis mainly helps to reduce energy loss and maintenance costs. However, most existing solutions for performance analysis need technical knowledge and often neglect spatial and temporal dependencies. In this paper, it is proposed a spatial-temporal graph neural network with the objective of automating the analysis of the PV system functioning. The classic technique using statistical models of time series is used for comparison purposes. The model adjustment was performed to predict future values, and performance metrics considering the model error were used to define the best fitted model. The model using neural networks and graphs presented better performance than the classic one, showing that considering the structure of the system is very relevant in the performance analysis.Resumo: O crescimento da demanda de energia elétrica no mundo tem intensificado o uso alternativo de fontes de energia renováveis como a energia solar. Os painéis solares são estruturas construídas utilizando células fotovoltaicas, responsáveis por absorver a irradiação solar e transformá-la em corrente elétrica. A análise do desempenho do painel auxilia principalmente na redução de perda de energia gerada e redução dos custos de manutenção. No entanto, a maioria das soluções existentes para a análise de desempenho necessitam de conhecimento técnico para interpretação, além de desprezar a lógica temporal e a topologia fisíca do sistema como informação relevante no desenvolvimento dos métodos. Neste artigo, uma técnica utilizando redes neurais convolucionais espaço-temporal de grafo é proposta com o objetivo de automatizar a análise do funcionamento do sistema de painéis fotovoltaicos. A técnica clássica utilizando modelos estatísticos de séries temporais é utilizada para fins de comparação. O ajuste dos modelos foi realizado para previsão de valores futuros, e métricas de desempenho considerando o erro dos modelos foram utilizadas para definir o melhor modelo ajustado. O modelo utilizando redes neurais e grafos apresentou melhor desempenho com relação ao clássico, mostrando que considerar a estrutura do sistema é muito relevante na análise de desempenho.